Échecs budgétaires et optimisation bi-niveau : pourquoi les politiques publiques dérapent
La réussite d’une politique publique dépend pour partie de la réaction des agents économiques. Pour cela, la définition des moyens et des objectifs doit intégrer les réactions des ménages ou des entreprises.
Une politique publique efficace doit anticiper les réactions des ménages et des entreprises, car chaque réforme modifie leurs choix économiques. Par exemple, une aide au logement peut inciter certains ménages à conserver leur logement actuel plutôt que de déménager, créant un effet boomerang où la demande reste élevée malgré les mesures. En France, en 2027, des dizaines de milliards d’euros d’ajustements budgétaires seront nécessaires pour respecter les engagements, mais le défi ne se limite pas à décider où couper ou taxer : il faut aussi prévoir comment les acteurs économiques s’adapteront. Les économistes utilisent des cadres comme les jeux de Stackelberg ou les fonctions de réaction pour modéliser ces interactions, mais l’enjeu est de les intégrer concrètement dans la conception des politiques.
Le secteur du logement illustre parfaitement ces effets boomerang. En 2024, plus de 2,6 millions de ménages étaient en attente d’un logement social en France, selon l’Union sociale pour l’habitat, tandis que la rotation annuelle des logements sociaux était inférieure à 8 % en 2020, contre plus de 10 % en 2011. En Île-de-France, la demande de T1 (studios) est 20 fois supérieure à la capacité d’attribution. Les règles publiques, comme les plafonds de ressources ou les aides, modifient les comportements : certains ménages restent dans leur logement pour éviter des déménagements coûteux, d’autres demandent un relogement, et d’autres encore se tournent vers le parc privé. Ces réactions individuelles créent un blocage collectif, où l’offre disponible se renouvelle trop lentement face à une demande record.
Malgré des décennies d’interventions massives de l’État sur le marché du logement, la tension persiste. Ce n’est pas seulement dû à des objectifs mal choisis ou à des moyens insuffisants, mais aussi au fait que chaque règle publique génère des incitations qui déclenchent des réponses imprévues. Par exemple, une exemption fiscale ou un plafond de ressources peut pousser certains ménages à ajuster leurs stratégies : rester dans leur logement, demander un relogement, ou se tourner vers d’autres solutions. L’État doit donc concevoir des politiques en tenant compte de ces réactions, car le résultat final dépend des comportements qu’elles provoquent. La Cour des comptes souligne que la cohérence des politiques publiques est mise à mal par ces effets en cascade.
L’optimisation bi-niveau est une méthode qui permet de modéliser une politique publique comme une interaction stratégique entre un décideur (l’État, appelé leader) et les agents économiques (ménages, entreprises, appelés suiveurs). L’État choisit d’abord une politique (un barème, une taxe, une subvention), puis les agents réagissent en ajustant leurs choix. Le défi est de choisir la politique qui produira le meilleur résultat, en anticipant ces réactions. Par exemple, si l’État impose une contribution pour les logements sous-occupés, certains ménages paieront, d’autres demanderont un relogement, et d’autres encore se tourneront vers le parc privé, ce qui peut annuler l’effet attendu. Cette approche permet de tester des scénarios complexes avant leur mise en œuvre.
L’optimisation bi-niveau révèle un problème majeur : l’explosion combinatoire. Prenons un exemple simplifié : une collectivité teste cinq niveaux de contribution pour les logements sous-occupés, quatre montants d’aide au déménagement, trois durées de période transitoire, trois règles d’exemption et quatre critères de priorité géographique. Cela donne déjà 720 combinaisons possibles. Si l’on ajoute vingt types de ménages et quatre réactions possibles par type, le nombre total de scénarios à explorer atteint 791 648 371 998 720. Cette complexité rend impossible une analyse exhaustive par simple énumération. Les progrès en optimisation numérique et en calcul parallèle permettent désormais d’explorer ces scénarios de manière plus structurée, mais le défi reste immense.
L’optimisation bi-niveau n’est pas limitée au logement. Elle s’applique dans d’autres domaines où une autorité centrale fixe des règles et des acteurs autonomes réagissent ensuite. Par exemple, en finance, une banque peut définir des règles d’allocation de risque, tandis que des entités décentralisées ajustent leurs décisions. Dans les transports urbains, un opérateur choisit des tarifs ou des péages en anticipant les choix d’itinéraires des usagers. Dans les entreprises, une maison mère fixe des incitations à la production, puis observe comment les filiales ajustent leur comportement. Dans tous ces cas, la logique leader-suiveurs permet de réduire le risque d’effet boomerang, où une réforme annoncée se retourne contre ses objectifs initiaux.
L’enjeu n’est pas seulement d’être plus strict ou plus généreux dans les politiques publiques, mais de concevoir des réformes suffisamment robustes pour rester efficaces une fois les comportements ajustés. Les outils d’optimisation numérique, de simulation et de calcul parallèle permettent d’explorer des scénarios complexes et d’anticiper les réactions des acteurs économiques. Par exemple, en testant différentes combinaisons de contributions, aides et exemptions pour les logements sous-occupés, l’État peut identifier les mesures les plus efficaces avant leur mise en œuvre. Ces outils ne remplacent pas le choix politique, mais rendent les arbitrages entre économies budgétaires, justice sociale et faisabilité plus visibles. Dans un contexte où chaque milliard compte, cette approche permet de réduire le risque que une économie annoncée se transforme en effet boomerang.
